Модели данных, используемые для построения ХД

Критерием эффективности для систем операционной обработки данных служит число транзакций, которое они способны выполнить в единицу времени. Для аналитических систем важнее скорость выполнения сложных запросов и прозрачность структуры хранения информации для пользователей. Важная особенность СППР на основе ХД состоит в том, что загрузка данных выполняется сравнительно редко, но большими порциями (до нескольких млн. за 1 раз). Существует 2 подхода к построению ХД:

- Использование многомерной модели БД;

- Использование реляционной модели БД.

В чем-то конкурирующих, а в чем-то дополняющих друг-друга подхода.

Например, пусть требуется создать хранилище, накапливающее информацию об изменении социально-экономической обстановке в стране. Она характеризуется многими параметрами, в числе которых: объем промышленного производства, индекс потребительских цен и т.д. Госкомстат собирает их значения для различных субъектов помесячно, поквартально, за год. В хранилище попадают, ПАРАМЕТР в СУБЪЕКТЕ в МОМЕНТ ВРЕМЕНИ был равен {значение} например индекс цен в г. Киеве в 2004 г. в декабре = 101%. В рассмотренном примере каждое значение связано с точкой в трехмерном пространстве (N, S, T). Числа N, S и T конечны, потому все значения можно представить в виде гиперкуба:

1) MOLAP – Использование такой модели позволяет резко уменьшить время поиска информации ~ в 10 – 100 раз меньше, чем для реляционной СУБД.

В реальной задаче число измерений может быть больше. Основные понятия многомерной модели – измерение и значение(ячейка). Измерение – множество, образующее одну из граней куба. Значение – это подвергаемые анализу количественные или качественные данные, которые находятся в ячейках гиперкуба. Многомерные СУБД лучше справляются с задачами выполнения сложных нерегламентированных запросов.

Но недостатки: неэффективно используют память, т.к. заранее резервируется место для всех значений, даже если часть их будет заведомо отсутствовать. Выбор высокого уровня детализации очень сильно увеличивает объем БД. Допустимо на сегодня 10 – 20 гигабайт.

Рисунок 10.2 – Многомерная модель данных

2) ROLAP – основой при построении ХД может служить и традиционная реляционная модель данных (данные хранятся в таблицах, которые связаны между собой). Такая модель данных хорошо знакома вам по СУБД Access. Таблицы связываются специальным образом: „звезда” или „снежинка”:

Для увеличения производительности анализа в фактографичной таблице могут храниться не только детализированные, но и предварительно вычисленные агрегированные данные.

3) HOLAP - комбинация многомерного и реляционного подхода – киоски данных.

Ситуация, когда для анализа необходима вся информация, находящаяся в хранилище, возникает редко. Обычно каждый аналитик или аналитический отдел обслуживает одно из направлений и ему нужны данные по этому направлению. Реальный объем этих данных не превосходит ограничений, присущих многомерным СУБД. Их и выделяют в отдельные многомерные БД, которые называют витрины данных или киоски данных.

Такая схема позволяет эффективно использовать возможности реляционных СУБД обеспечивать высокую скорость аналитических запросов.

Каждый из этих способов имеет свои преимущества и недостатки и должен применяться в зависимости от условий - объема данных, мощности реляционной СУБД и т. д.

Системы, использующие хранилище данных, как правило, строятся на основе архитектуры клиент-сервер. Хранилище данных размещается на специальном сервере. Для его реализации используют мощные многопроцессорные вычислительные системы таких производителей как IBM, Hewlett-Packard, DEC, NCR. В качестве СУБД применяется поддерживающая параллельную обработку запросов: Teradata (фирма NCR), DB/2 (фирма IBM), Oracle, Informix. Киоски данных реализуются с использованием серверов многомерных БД: Essbase (Arbor Software), Oracle Express, Gentium и др.

Рисунок 10.3 – Реляционная модель данных

Метаданные являются важнейшей составной частью ХД. Пользователь не сможет извлечь нужные данные из хранилища, если не будет знать, что там находится. Прежде, чем сформулировать запрос к системе, аналитик должен понять, какая информация в ней имеется, насколько она актуальна, точна, а также сколько времени может занять ожидание ответа. Метаданные это информация о структуре, размещении и трансформации данных. Благодаря метаданным обеспечивается эффективное взаимодействие различных компонентов хранилища.

Метаданные – это высокоуровневые средства отражения информационной модели СППР. Для обеспечения удобства доступа пользователей к информационной модели ХД метаданные должны содержать: описание структур данных хранилища, структур данных, импортируемых из разных источников, сведения периодичности импортирования, методах загрузки и обобщения данных, средствах доступа и правилах представления информации, оценка приблизительных затрат времени на получение ответа.

Метаданные помещаются в „репозитарий метаданных”. Существует стандарт обмена метаданными MDIS, обеспечивающий возможность интеграции средств разных производителей друг с другом.

Рисунок 10.4 – структура хранилища данных

Дата добавления: 2014-01-04